读《FVGNN: A Novel GNN to Finger Vein Recognition from Limited Training Data》

tmd，当初随便看看竟然没有当回事，现在才意识到这篇文章多重要(╥﹏╥)
###############

1.引言

指静脉识别过程：

1. 图像采集（红外）
2. 图像预处理（ROI，滤波增强）
3. 特征抽取（LBP，GOM，LGS，OED等方法）
4. 特征匹配（度量）

静脉图片尤其需要一些预处理，静脉血压、体温等都会有影响

小样本多分类限制了深度学习，虽然可以匹配但是分类就很麻（但是CNN通过数据增强会很强）

2.相关工作

传统方法提取特征：

1. 基于手指静脉线：
   重复线跟踪法、最大曲率法、平均曲率法、Gabor滤波法【9】

2. 基于指静脉纹理特征（LBP等，对平移旋转效果较差）

3. 基于局部不变特征（对平移旋转效果较好，但本身是寻找细节点，这就很不稳定）

还有一些其他方法，PCA，流形空间（超球面吗？），超像素（OED吧？）

解决深度学习所需样本量不足：

1. 数据增强（“p图”，但是数据量太少还是不行） （但其实没有transform，纯粹的resnet18效果就是无敌，就很麻）
2. 迁移学习（类似于预训练，任务模型差别大那就瘪了）
3. 基于度量（本质孪生匹配相似度，真要明确识别，还得立个标杆。不过reid那边有分类加三元匹配的，效果好像很牛逼）

本文是将图像作为节点（把CNN提取到的最终一行特征作为每个节点即图像个体的属性信息，做节点分类）

3.方法

输入包括有标签和无标签（这是有自监督要素，还是zero-shot啊？）
提高泛化性，对标签的one-hot编码做标签平滑（那就是说不用torch自带的那种交叉熵咯？y_true是一行向量，而不是nll里的一个离散值？）
原本样本x对应标签第k类的概率是𝛿，现在变成了（1-e）𝛿+e/(k-1)

节点是通过CNN得到的每个图像对应的嵌入向量，再分别对任两个节点一组通过一个CNN构造边信息即邻接矩阵（带权的）有graph了就开始GNN了

最后用有惩罚项的交叉熵做损失

4.实验

MMCBNU_6000、SDUMLA-FV
提出只在卷积层和全连接层归一化权重，这样可以避免过拟合

5.总结

可无视数据集稀疏问题
第一篇将GNN应用于指静脉（2019会议）
取代了相似度匹配方法

思考

这篇文章与其说是用了GNN，倒不如说是用了图表示学习，就是将欧式图像建模到非欧式的图结构数据，其实也就是得到对应嵌入矩阵，至于更新嵌入的模型依然是VGG，残差，inception这些CNN，学习邻接矩阵（图结构信息）的模块也不是GNN的模型，所以更体现在思想方面。